LLM 都会画画了，还需要训练视觉生成模型吗？

0. 先看一只猫

这只猫是一个 LLM 画的。

准确地说，是"写"出来的。它的每一个像素都是一个字符，像这样：

.K............K.
KOK..........KOK
KPOK........KOPK
KPOOKKKKKKKKOOPK
KOOOOOOOOOOOOOOK
KOOoOOOooOOOoOOK
KOOOOOOOOOOOOOOK
KOOGGOOOOOOGGOOK      ← 眼睛。眨眼那一帧，这两行换成两道 KK
KOOGBOOOOOOBGOOK
KWWOOOOPPOOOOWWK      ← 粉色的鼻子
.KWWWOOKKOOWWWK.
..KWWWWWWWWWWK..
...KKKKKKKKKK...

头 13 行，身体 8 行，一共三百多个字符，再加几行摇尾巴的代码。月亮、星星、屋顶，都是它一个字一个字"说"出来的。

两三年前，让 LLM 画画还是个段子。GPT-4 用 TikZ 画的那只独角兽在 Sparks of AGI 里出现时，大家惊叹的是"它居然画出了点东西"¹。Simon Willison 至今还在用"一只骑自行车的鹈鹕"测每一个新模型的 SVG 能力，那些鹈鹕长期以来是这个行业最好的 meme 之一²。

现在它们画得越来越好了。64×64 的像素画，几十帧的 GIF，带动画的 SVG，都不在话下。

于是一个问题变得越来越难回避：

如果 LLM 已经能画了，我们还需要视觉生成模型吗？

我的回答是：需要，而且比任何时候都需要。但理由不是大家通常说的"画质更好"。画质早晚会被追上，这不是护城河。

真正的理由是这句话：

视觉模型懂的东西，语言写不下来；语言模型能交流，是因为它和我们共用一种表示。视觉生成模型看得懂但说不出；LLM 说得出，而且正在学会看。

这篇文章想说清楚三件事：

1. SVG 的尽头是像素。 当矢量图复杂到能逼近照片时，它就是一张用 XML 写的、更胖的位图。
2. 逐像素生成能做，但不值得。 一旦你想让它值得，你就会重新发明一个视觉模型。
3. 看得懂，是一切的前提。 LLM 学会"看"以后，人类画画、写代码、搭场景时那个"做一点、看一眼、再改"的闭环，第一次被机器补上了。代码和生成模型都是这只眼睛的手，但只有生成模型这只手的上限，会跟着眼睛一起长。

对了，上面那只猫里有一个错误。先不告诉你，第四节揭晓。

1. 一个很诱人的论证

先把对面的观点讲到最强。

Rich Sutton 的 The Bitter Lesson 告诉我们：长期来看，通用方法加算力，会赢过一切精心设计的领域结构³。今天最通用的方法是什么？一个足够大的自回归语言模型，把一切都变成 token。

那么图像呢？图像也可以是 token。

• 最温和的版本：让 LLM 写 SVG、TikZ、matplotlib、Three.js 代码。代码是语言，语言是 LLM 的母语。
• 最激进的版本：让 LLM 直接吐像素，就像开头那只猫。

而且代码画图有一堆真实的优点：可编辑，分辨率无关，结构清晰，最重要的是能用语言改。"把猫的耳朵改成粉色"，对于 SVG 就是改一个 fill；对于一张扩散模型生成的图，这是一场赌博（第五节会看到赌输的样子）。

所以论证是这样的：

视觉生成只是代码生成的一个特例。等 LLM 足够强，专门的视觉生成模型就会像专门的机器翻译系统一样，被通用模型吞掉。

我认真想过这个论证，它有一半是对的。

对的那一半：语言是接口。 能不能被语言操纵，决定了一个模型对人有多大用处。这一点我后面会反复强调。

错的那一半：它默认"图"是一种低信息量的东西，好像世界本来就是由几何图形拼成的，只要把图形描述清楚就行。

世界不是这样拼起来的。

2. SVG 的尽头是像素

先说说 SVG 到底是什么。

SVG（Scalable Vector Graphics，可缩放矢量图形）是一种用 XML 写的图像格式。PNG、JPEG 存的是每个像素的颜色；SVG 存的是"怎么画"：在哪里画一个什么形状、填什么颜色。它就是一段纯文本，浏览器读到以后，按指令一笔一笔画出来。下面这段就是本节实验里那张小房子图的完整源码（注释是我加的）：

<svg xmlns="http://www.w3.org/2000/svg" width="256" height="256">
  <rect width="256" height="256" fill="#1e2a5a"/>
  <circle cx="190" cy="60" r="30" fill="#fbe9b0"/>
  <rect y="190" width="256" height="66" fill="#3a2c40"/>
  <polygon points="40,190 100,110 160,190" fill="#e8964a"/>
  <rect x="85" y="150" width="30" height="40" fill="#2a1a1e"/>
</svg>

因为存的是形状而不是像素，放大一万倍也不会糊，这就是"可缩放"的意思。

矩形和圆只能画很规整的东西。SVG 真正的主力是 <path>：它的 d 属性是一串画笔指令，M 是把笔移到某处，L 是画直线，Z 是闭合，而 C 是画一段三次贝塞尔曲线。一段三次贝塞尔曲线由四个点决定：起点 \(P_0\)、终点 \(P_3\)，以及两个控制点 \(P_1\)、\(P_2\)。随着参数 \(t\) 从 0 走到 1，曲线上的点是

公式看着吓人，几何上其实很简单：在相邻两点之间按比例 \(t\) 取点，三条线段变成两条，两条变成一条，一条变成一个点。这个点就是 \(B(t)\)，这叫 de Casteljau 构造：

曲线经过起点和终点，但不经过控制点，控制点只负责把曲线往自己那边"拉"。你在 Illustrator、Figma 里拖动的那些小手柄，就是这些控制点。字体、图标、插画，几乎都是由成百上千段这样的曲线拼起来的。

所以，一个 SVG 文件本质上是一段程序，程序的长度大致就是这张图在"几何图形词汇"下的描述长度。这其实就是 Kolmogorov 复杂度的直觉：一个东西有多复杂，取决于描述它的最短程序有多长。

人类设计出来的图，比如图标、UI、图表、logo，本来就是用图形拼出来的，所以描述很短。自然界的照片不是。没有人用"一个圆 + 三个三角形"拍出一张日落。

我做了一个很简单的实验。左边是一张"设计出来的"图，右边是一张真实照片（256×256），我用最朴素的矢量化方法（四叉树切分，每个叶子写成一个 <rect>）去逼近它，然后跟 JPEG 比文件大小和保真度（PSNR）：

结果大概是这样：

• 简单图形：SVG 343 字节，PNG 1,097 字节。SVG 完胜，这是它的主场。
• 照片、中等保真度（约 35 dB）：JPEG 约 9 KB；SVG 约 700 KB，是 JPEG 的 80 倍。就算把 SVG 再 gzip 一遍，也还有 83 KB，大约 9 倍。
• 照片、无损：PNG 84 KB；"每个像素一个 <rect>"的 SVG 3.8 MB，大约 45 倍。

必须承认，四叉树是很粗糙的矢量化方法。用三角形、贝塞尔曲线、渐变，曲线会好看很多；DiffVG⁴ 让矢量图的光栅化变得可微，可以直接用梯度去优化每条贝塞尔曲线的控制点，效果更好。但方向不会变：你越想逼近真实照片，最优的 SVG 就越像在用一堆图元去模拟像素网格。到了那一步，你只是把一张位图翻译成了 XML。

所以"SVG 可编辑"这个优点，在复杂场景里其实不成立。没有人能编辑第 38,211 个 <rect>。可编辑性来自"东西少"，不来自"矢量"。这点在第九节还会用到。

这里还有一个更隐蔽的问题。

LLM 写 SVG 时，画的是概念的世界：猫等于两个三角形耳朵加一张圆脸；太阳是一个黄色的圆；影子是一块深色的多边形。这是语言里的猫，是我们描述猫时会提到的那些特征。

照片里的猫不是这样。照片里有毛发的各向异性反光，有环境光在白色下巴上染出的一点蓝，有胡须在背光下的半透明。没有人会用语言描述这些东西，所以它们几乎不存在于文本语料里，也就几乎不存在于"写代码画图"的能力里。

3. 逐像素：能做，但不值得

那就不写 SVG，直接像开头那只猫一样逐像素输出呢？

能做。开头那只猫就是证明。问题是规模。

假设最乐观的情况：每个像素只用 1 个 token（实际上 RGB 三个通道，按十六进制写只会更多），解码速度 100 token/秒：

• 那只 64×64、20 帧的猫：81,920 个 token，大约 14 分钟。能忍。
• 一张 1024×1024 的图：100 万个 token，大约 3 小时。一张图就把 1M 上下文窗口塞满了。
• 1 秒 1080p 视频：5000 万个 token，近 6 天。
• 一部 2 小时的电影：3,580 亿个 token，113 年。这大约是 Llama 3 全部预训练数据（约 15T token⁵）的 2.4%。

一只小猫"能做"，不代表一部电影也"能做"。

你当然会说：谁让你一个像素一个 token？压缩一下啊。

完全正确。然后你就去训练一个视觉 tokenizer：一个 VAE 或 VQ 编码器，把图像在空间上压缩 16×16 倍，视频在时间上再压 4 倍。token 数一下子少了两三个数量级（图里蓝色的条）。Stable Diffusion 这一系的 latent diffusion 就是这么起家的⁶，Sander Dieleman 对"为什么要在 latent 空间做生成"有一篇写得极好的长文⁷。

但请注意你刚刚做了什么：你训练了一个视觉模型。这个 tokenizer 之所以能压缩，是因为它学会了哪些像素结构在感知上重要、哪些可以丢掉。这本身就是视觉知识。

还有第二件事：顺序。

语言是一维的，从左往右说，自回归天然合适。图像不是。你没法"从左上角往右下角"地想象一张脸，你先想到的是轮廓和明暗，再是五官，最后才是睫毛。

Dieleman 有一个我很喜欢的观察：扩散模型本质上是在频率空间里做自回归。⁸自然图像的功率谱大致按 1/f² 衰减，低频能量大，高频能量小；而高斯噪声的功率谱是平的。所以当你往图像里加噪声时，高频先被淹没，低频最后才消失。反过来，去噪的时候，低频先"浮出水面"，高频最后才出现：

（左：加了噪声的照片。右：蓝线是这张照片的功率谱，红线是噪声的功率谱。红线往下走，蓝色阴影部分就是已经"浮出水面"、可以被看见的频率。）

去噪本身就是一种自回归，只不过它的"下一个 token"不是右边那个像素，而是更高一档的频率。它先画构图，再画形状，最后画纹理，而且每一步都在所有像素上并行进行。这正是视觉信号本来的结构。

所以这一节的结论是：

想让 LLM 画得起像素，你就得给它一个视觉 tokenizer，再给它一个由粗到细的生成过程。到那一步，你并没有淘汰视觉生成模型，你只是把它装进了 LLM 里。

我觉得这不是坏事，第七节会回到这里。但它说明"用 LLM 替代视觉生成"这个说法是自相矛盾的：让 LLM 做得好视觉生成的东西，恰恰就是视觉生成本身。

4. 那视觉模型懂吗？

先揭晓开头那只猫的错误。

看月亮的缺口。缺口里有一颗星星。它只有一个像素，你多半以为是噪点。放大看：

这不可能。月牙缺掉的那部分不是洞，而是月球上没被太阳照到的那一面，它仍然是一个实心的球，会挡住后面的星星。

还有第二个错误：月亮在右上方，但猫身上没有任何受光面，也没有影子。

这两个错误都是故意保留的，因为它们很典型。LLM 一个字符一个字符写这只猫的时候，是闭着眼睛画的。它调用的是"月牙"这个符号：一个被咬掉一口的圆。其实它完全知道月牙是一个被侧光照亮的球，你问它，它能讲得头头是道。但知道是一回事，画的时候想起来用是另一回事。闭着眼睛的手，只会拿最顺手的那个符号。

（剧透一下：第六节里，同一个 LLM 看了一眼渲染结果，就自己把这两个错误找了出来。这件事比它本身听起来重要得多。）

月亮的例子里，知识至少还写在书上。还有一大类视觉知识，连书上都很少写。这是 Moravec 悖论在生成任务上的版本：对人最容易的，往往最难写成文字。没有人会在网上写"杯子被手挡住以后，它依然存在"，也没有人写"湿的地面会倒映出路灯，但倒影比路灯暗一点、糊一点"。但每一段视频、每一张照片，都在无声地示范这些事情，一次又一次。

这些知识的主要载体是像素，不是文字。

学了几十亿张图和几亿段视频的视觉生成模型，学到这些了吗？证据越来越多地说：学到了，而且比我们以为的多。

• 对应关系。 不用任何标注，直接从预训练扩散模型的中间特征里读，就能做相当不错的跨图语义对应：这只猫的左耳对应那只狗的左耳⁹。
• 几何。 把 Stable Diffusion 用少量合成数据微调一下，就能得到非常强的零样本单目深度估计¹⁰。深度信息原本就藏在模型里，微调只是把它引出来。
• 时间和物理。 OpenAI 在 Sora 的技术报告里把视频生成模型称为"世界模拟器"，报告中观察到随规模涌现的 3D 一致性和物体恒存性（也老实展示了很多失败案例）¹¹。
• 零样本推理。 Google DeepMind 2025 年的工作显示，Veo 3 这类视频模型只靠提示，就能零样本地做分割、边缘检测、简单物理推断，甚至走迷宫；作者把这种逐帧推进的推理叫做 "chain-of-frames"¹²。

它们当然不完美：手指会多一根，杯子里的水会凭空消失，玻璃会穿过桌子。但说它们"不理解视觉世界"，已经说不过去了。

更准确的说法是：

它懂，但它的懂是一种我们无法访问的懂。

5. 问题是：它是个哑巴

一个视觉生成模型和你之间，通常只有一个通道：一段 prompt，经过文本编码器，变成一个条件向量。

这个通道像一根吸管：很窄、单向、一次性。你在这头把一句话塞进去，它在那头画出一整张图，然后通道就关了。

先说"窄"。早期的文生图模型（比如 Stable Diffusion 1.x）用 CLIP 的文本编码器，最多收 77 个 token¹³，词表约 4.9 万。就算每个 token 都携带满额信息，上限也只有：

150 字节，比开头那只 64×64 的猫的 GIF 还小了约 700 倍。

窄的后果是：一张生成图里绝大部分内容都不是你指定的。你只说了"一只在海边的猫"，浪花的形状、云的位置、猫毛的颜色、光从哪边来，全是模型按自己的先验补上的。从零生成时，这是优点，你不用操心浪花。

但如果你手上只有一个文生图模型，想改一处就只能改 prompt 再生成一次，问题就来了。你说"只把帽子换成红色"，心里默认其他东西都已经"定下来"了。但对模型来说，那些东西从来没进过吸管，它们没有被任何人锁住，所以会跟着一起被重新抽一遍：

这也正是编辑模型要单独训练的原因：把原图也送进去，等于把"其他地方"也塞进了吸管。专门训练过的编辑模型，这个问题已经解决得相当好了。

吸管本身这几年也粗了很多。SD3、FLUX.1 在 CLIP 之外加上了 T5；更新的模型干脆直接用 LLM 或 VLM 当文本编码器，比如 Qwen-Image 用的是 Qwen2.5-VL¹⁴，Qwen-Image-2.0 换成了 Qwen3-VL，能吃下上千 token 的指令¹⁵。编辑时，原图会同时送进 VLM 和 VAE，一路负责语义，一路负责保真。

但"单向"和"一次性"没怎么变。LLM 编码器读完你的话，把隐状态交给扩散模型，然后就退场了。扩散模型画的时候没法回头问一句"你说的左边是画面左边还是猫的左边"，画完也没法告诉你它画了什么、哪里没把握：

• 你没法问"为什么影子朝这边"。它不回答，它只会再画一张。
• 它没法告诉你"这里我不确定是反光还是水渍"，没法和你商量。
• "哪些算'其他地方'、应该保持不动"，仍然是它自己猜的，猜错了你也只能再抽一次。

所以吸管变粗是真进步，但它解决的是"窄"，不是"单向"和"一次性"。即使编码器换成了 LLM，它在这里的角色也只是一个翻译：把你的话翻译成条件，递过去。会看、会说的那个模型不参与画；会画的那个模型不参与说。

所以，我想把开头那句话说得更重一点：

一个视觉模型如果和语言之间只有一根吸管，它理解得再深，我们也用不上多少。我们只能从它那里"抽卡"，却没法和它"商量"。

维特根斯坦说"我的语言的界限，就是我的世界的界限"。视觉模型的处境正好反过来：它的世界没有被语言框住，所以它也就没有语言。

6. 睁开眼睛：闭环

先兑现第四节的剧透。

开头那只猫画完以后，我把渲染出来的帧交给同一个 LLM 看。它指出了月牙的暗面里不该有星星，也指出了月亮在右上方、猫身上却没有受光面。于是它改代码，再渲染，再看：

这个小实验里真正重要的不是猫，而是这个循环本身：做一点，看一眼，再改。

人类做任何视觉的东西，靠的都是这个循环。画家落一笔，退后一步看；设计师拖一下元素，看对不对齐；3D 美术调一下灯光，按一下渲染；机器人工程师调一下控制参数，看机械臂有没有抖。控制论里管这叫闭环视觉反馈控制，而它的前提只有一个：你得看得懂你刚做出来的东西。

写代码也是一样。coding agent 过去两年最大的跃升，很大程度上不是因为模型"一次写对"的能力变强了，而是因为它能跑代码、读报错、看测试结果，然后再改。能执行、能看到结果，开环就变成了闭环。

视觉现在正在经历同一件事。以 Astra 为代表的新一代模型，已经能调用 Blender 搭场景、写 SVG、甚至直接做机器人控制，并且能看着渲染结果或摄像头画面自己修正。 这是第一次，机器补上了人类那个"做一点、看一眼、再改"的闭环。做视觉资产和写代码，本质上变成了同一件事。

所以我想修正一下开头那句话的重点。"看得懂"不只是一种理解能力，它是一切视觉创作的控制信号。没有眼睛，手再巧也是闭着眼画画；有了眼睛，手的选择才变成真正的问题。

7. 同一只眼睛，两只手

有了眼睛之后，LLM 至少有两只手可以用。

第一只是代码之手：SVG、前端、Blender、游戏引擎、物理仿真器，再加上机器人控制器。它的好处非常实在：精确、可编辑、可复现，物理上天然正确（只要引擎是对的）。当眼睛还比较弱、说不清"好"是什么样子的时候，这只手更可控，也更靠谱。

第二只是生成之手：图像和视频生成模型。它不那么精确，也不那么听话，但它能画出引擎里没有的东西：毛发、烟雾、皮肤、光在水里的样子，任何一张照片里的任何东西。

这两只手最大的区别在于天花板：

代码之手的上限，是引擎和框架能表达的东西。Blender 渲染不出它的着色器模型之外的材质，前端框架画不出 CSS 描述不了的效果，物理引擎模拟不了它没有建模的现象。眼睛再好，也只能在这个范围里挑出最优解。天花板当然也会升高，但升级要靠人一行一行写引擎，很慢。第二节的实验其实就是这件事的缩影：SVG 这个"引擎"的词汇是几何图形，你想要的东西一旦超出它的词汇，就只能用海量图元去硬凑。

生成之手不一样。生成模型和 LLM 一样，是一个可塑的、可以被训练的网络。眼睛变好，不只是能更好地挑选它的输出，而是能直接让它变强。至少有三条通道：

• 描述更准，数据就更好。DALL·E 3 的一个核心发现就是：用更好的模型给训练图片重新写更详细、更准确的描述，生成模型听懂指令的能力会显著提升²⁰。LLM 描述视觉的能力越强，这条通道就越宽。
• 评价更准，奖励就更好。从 DDPO²¹ 到 Flow-GRPO²²，用强化学习直接优化扩散模型已经被证明可行，瓶颈往往在奖励本身：你能不能可靠地判断一张图好不好、对不对。一个真正看得懂的评审，就是一个更好的奖励模型。
• 理解更深，规划就更好。把一个模糊的需求拆成构图、光照、镜头、动作，再在生成过程中检查、局部重画，这些都是理解能力，而不是画画能力。负责改写 prompt 的语言模型，甚至可以直接放进扩散模型的强化学习循环里，和它一起训练²³。

所以这一节的判断是：

代码之手会被引擎和框架封顶；生成之手和 LLM 一样可塑，所以它能直接吃到 LLM 视觉理解、描述和评价能力提升带来的红利。LLM 越强，视觉生成越有前途，而不是越没用。

这不是说代码之手不重要。需要精确的地方（UI、工程图、机器人的实际动作），它会一直是主力。两只手也完全可以一起用：用 Blender 搭出几何和镜头，再让生成模型补上材质和光。这些都说明，视觉生成不会被取代，它会作为一只越来越好用的手，被越来越好的眼睛驱动。

那眼睛、嘴和手之间，最后应该怎么连起来？

我能看到至少三条路：

• LLM 加眼睛再加工具：就是第六节那个闭环，生成之手也可以作为工具之一被调用。
• VLM 当眼睛，生成模型当手：模块化地拼起来。眼睛负责描述、评价、给反馈，手负责画，中间用语言和奖励连接。
• 联合训练的统一模型：文本和图像在同一个网络里、用同一套注意力、在交错的数据上训练。Chameleon¹⁶、Transfusion¹⁷、Emu3¹⁸、BAGEL¹⁹ 都在这条路上。2025 年的原生图像生成（GPT-4o、Gemini 等）最让用户兴奋的，恰恰不是画质，而是多轮对话式的编辑："把这个杯子往左挪一点，其他别动"，它大体上真的能做到。

统一模型是很自然的一条路：眼睛和手长在同一个脑子里，吸管就消失了，模型能指着自己画的东西解释、修改，并且被检验说的和画的是否一致。但我不认为它一定是唯一的答案。模块化的系统更容易迭代，各部分也能单独变强；到底哪条路走得最远，现在下结论还太早。

我比较确定的只有一件事：无论走哪条路，瓶颈都在"看得懂"和"说得通"，不在"画得像"。用户对原生图像编辑的第一反应不是"画得更好了"，而是"终于能说上话了"，这就是信号。

8. 下半场是什么？

姚顺雨在 The Second Half 里说，AI 的上半场是比方法，下半场是比问题和评测²⁴。

老实说，放到视觉生成上，下半场到底是什么，我还没想清楚。我能想到很多候选答案，但没有一个让我确定到可以直接写成标题。

但有一个判断我比较有把握：

随着 LLM 理解、描述和评价视觉的能力不断提升，视觉生成的质量会迎来一次跃升。推动这次跃升的主要力量，可能不在视觉生成本身，而在那只越来越好的眼睛。

上一节已经给了理由：描述变好，数据就变好；评价变好，奖励就变好；理解变深，规划就变好。而这三样东西，恰好是今天 LLM 进步最快的方向。

如果这个判断是对的，有几个问题会变得格外重要。我还没有答案，但我会一直盯着：

1. 没被提到的东西，能不能保持不动？多轮编辑时，没被指令提到的区域是否不变。今天大部分编辑评测只看"改的地方改对了没有"，不看"没让改的地方有没有被乱改"。第五节那张漫画，在很多现有指标下可能是满分。
2. 说的和画的一致吗？模型画完一张图，再问它"光从哪来""这两个人谁离镜头更近"，它的回答和它画出来的东西是否一致。会画影子却说不出光在哪边，说明眼睛和手还没真正连上。
3. 眼睛本身有多可靠？如果评价能力成为主要的训练信号，那么评价者的盲区就会变成生成模型的盲区，reward hacking 也会随之而来。怎么评测"眼睛"，可能和怎么评测"手"一样重要。
4. 画图能不能帮助思考？让模型先画一张草图再回答空间推理、物理推理问题，正确率会不会提高。OpenAI 提出了 "thinking with images"²⁵，Veo 3 那篇工作提出了 "chain-of-frames"。如果视觉生成最终成为推理的一步，它的价值就远远超出"出图"。

9. 几个反驳

"等 LLM 足够大、算力足够便宜，逐像素也会变便宜。"

算力在变便宜，但我们要的像素也在变多：分辨率、帧率、3D、交互式世界。更重要的是，第三节已经说明，让它"变便宜"的那些办法（视觉 tokenizer、由粗到细的生成）本身就是视觉生成模型。

"LLM 已经能调 Blender、写前端了，有眼睛有闭环，为什么还要生成模型？"

因为闭环只能在手能够到的范围里找最优解。第七节说过，代码之手的天花板是引擎。眼睛越好，就越会发现"我想要的那个效果，引擎里没有"。那时候你需要一只没有被引擎框住、并且能跟着眼睛一起变强的手。

"SVG 和代码可编辑、可解释，像素不行。"

第二节说过，可编辑性来自"东西少"，不来自矢量。复杂到能逼近照片的 SVG 不可编辑。可编辑性真正的来源是语言：你能用语言指称"那个杯子"，是因为"杯子"是一个语言里的概念。只要眼睛能在像素里认出"那个杯子"，并且能把这个指称传给手，像素也就可以被语言"寻址"、被编辑。

"世界模型和机器人不需要语言，照样能用视频模型规划。"

对，机器也许不需要，但人需要。如果目标是做给人用的工具、做能被人监督的系统，交流就不是可选项。还有一个更严肃的理由：一个我们没法询问的世界模型，也是一个我们没法审计的世界模型。它在想象里觉得"这么推，杯子不会掉"，我们总得能问一句"为什么"。

10. 回到那只猫

开头那只猫，是 LLM 用三百多个字符闭着眼睛写出来的。它的月亮里有一颗不该存在的星星，它身上也没有月光。

然后它睁开眼睛看了一下，自己把这两个错误改掉了。这是这篇文章里最乐观的一幕：眼睛已经来了。

但它改到第三版就停下了。毛的质感、白下巴上那一点冷色，用字符写不出来。不是眼睛看不出来，是手够不着。

而够得着的那只手，那个见过一亿次月光落在猫身上的模型，一直都在。它缺的从来不是画画的能力，而是一只能告诉它"这里不对"的眼睛，和一种能让我们跟它说上话的语言。

视觉生成没有过时。

眼睛越好，它越有用。

参考